JAWS: Adaptive Jacobian-Regularisierung steigert Stabilität neuronaler Operatoren

In einer bahnbrechenden Veröffentlichung auf arXiv präsentiert ein internationales Forscherteam die Methode JAWS (Jacobian-Adaptive Weighting for Stability), die die langfristige Simulation von dynamischen Systemen mit neuronalen Operatoren revolutioniert.

Traditionelle Surrogatmodelle stoßen bei autoregressiven Rollouts häufig an Grenzen: Instabilitäten und spektrale Überschwingungen führen zu unzuverlässigen Vorhersagen. Globale Regularisierungstechniken, die kontraktive Dynamik erzwingen, unterdrücken dabei jedoch gleichzeitig hochfrequente Strukturen und lösen ein sogenanntes Kontraktions‑Dissipation‑Dilemma aus. JAWS begegnet diesem Problem, indem es die Regularisierungshärte lokal an die physikalische Komplexität anpasst. Durch die Einbettung in ein MAP‑Framework mit räumlich heteroschedastischer Unsicherheit wird die Gewichtung der Jacobian‑Norm dynamisch gesteuert – in sanften Regionen wird die Kontraktion verstärkt, während in Singularitätsbereichen die Einschränkungen gelockert werden, um wichtige Gradienten zu erhalten.

Die Experimente, die an der eindimensionalen Burgers‑Gleichung durchgeführt wurden, zeigen, dass JAWS die spektrale Stabilität deutlich verbessert, Schockstrukturen präziser erfasst und die Modellleistung auch außerhalb des Trainingsbereichs steigert. Gleichzeitig reduziert die adaptive Regularisierung die Last des Basisoperators, wodurch kürzere Trajektorienoptimierungen mit geringem Speicherbedarf die gleiche oder sogar bessere Langzeitgenauigkeit wie herkömmliche, langhorizonige Verfahren erreichen.

Diese Fortschritte markieren einen wichtigen Schritt in Richtung ressourcenschonender, hochpräziser Simulationen in der Physik, der Ingenieurwissenschaft und der Klimaforschung. Die Methode bietet ein neues Werkzeug, um die Grenzen neuronaler Operatoren zu erweitern und gleichzeitig die Rechenkosten zu senken.